新南威尔士州日前市场出清电价预测研究

发布时间：2024-04-18 20:03

　　电力市场改革的核心问题是建立合理的电价机制。随着中国电力生产由计划模式向市场模式的转变,以后如何进行电价预测是各方关注的重点。随着大数据和人工智能的蓬勃发展,机器学习理论成为新兴的预测方法。澳洲电力市场的电价制定方法与中国电改后的电价制定方法相似,因此本文采用澳大利亚电力市场的数据研究机器学习理论在电价预测方面的成效,希望为未来中国制定合理的电价提供思路。本文将澳大利亚新南威尔士州的电价市场按季节划分,研究每个季节电价的特点,最终确定需求作为模型的输入变量之一。为了更好的建立预测模型,本文用随机森林特征提取的方法选择每个季节的输入变量,剔除冗余信息。然后建立决策树、随机森林、支持向量机、BP神经网络和极限学习机五种模型、分季节预测新南威尔士州的电价。由于随机森林是从训练数据中随机挑选很多诀策树,组成一个森林。然后用该森林进行预测,选择票数最多的分类。这种集体预测的正确率高于决策树,因此可以将随机森林当成优化的决策树。与BP神经网络模型相比,极限学习机模型不需要更新权重和阈值,只需要设置隐藏层神经元个数,因此极限学习机是一种改进的神经网络。而支持向量机是比较主流的机器学习算法,用这五种模...

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

图２－１决策树结构??（１）信息增益??“信息熵”（ＩｎｆｏｒｍａｔｉｏｎＥｎｔｒｏｐｙ）是衡量样本集合不确定性的一种指标

果合并成整个问题的结果。??决策树是一个包含根节点（Ｒｏｏｔ?Ｎｏｄｅ?）、若干个非叶子节点（Ｎｏｎ－ｌｅａｆ?Ｎｏｄｅ）、??若干个叶节点（ＬｅａｆＮｏｄｅ）和分支的树形结构（如图２－１）。非叶节点即决策点，??该节点下还有分支，没有得到最终的结果值。叶节点是最后的节点，不再进....

图２－２随机森林基本流程??随机森林既可以解决分类问题，也可以解决回归问题；随机森林在解决分类??问题时，对缺失值有很高的容忍性；决策树的增加不会使随机森林出现过拟合的??

一种常用且强大的监督学习算法。随机森林是由多棵决策树构成，通常决策树的??数量越大，随机森林算法的鲁棒性越强，结果的精确度越高。它使用有放回采样??ｎ个样本，建立ｎ个决策树，最后的结果由ｒｉ个决策树的结果共同决定（如图２－２）。??为了组成随机森林，我们可以选择和决策树相同的衡量....

图２－３支持向量与间隔??给定训练样本集？?＝?．．．，（ｘｍ，ｙｍ）｝，％?＝?｛－１，＋１｝

很快成为机器学习的主要算法。??支持向量机尝试寻找一个最优的决策边界，该决策边界距离两种类别最近的??样本最远，因此最终的决策边界是位于两类支持向量区域中间位置的线（图２－３?）。??决策边界距离蓝点和红点的位置相等，都为ｄ；确定这个区域的两条直线之间的??距离称为间隔。而支持向....

图2碑软间隔支持向量机示意图

对于任意支持向量ｘ，求得式（２－１２）：??＼ｗＪｘ?＋?ｂ＼??ｍ３Ｘ?｜ｋ｜｜Ｓ．?ｔ．?Ｊｉ?（ｗＴＸ［?＋?ｂ）?＞?１?ｉ?＝?１，２，?．．．，ｍ??丨ｗｋ＋ｂ丨可以等价于ｉ，最大化ｉｋｉｒ１等价于最小化ｉｍｉ２。写为式（２－１３）??—＞丨丨２ｓ．?ｔ．?ｙｉ?（ｗ....

本文编号：3957672